CN109061537A - 基于观测器的电动车辆锂离子电池传感器故障诊断方法 - Google Patents

Abstract

本发明涉及一种基于观测器的电动车辆锂离子电池传感器故障诊断方法，属于电池管理技术领域。该方法为：确定锂离子电池参数，建立电动车辆锂离子电池电热耦合动态模型；在不同环境温度下，对被测电池进行开路电压测试及HPPC实验获得电池特征参数；建立电池OCV与SoC间的关系，采用带有遗忘因子的递归最小二乘法对电池电热耦合动态模型中的参数进行辨识，获得电池参数与环境温度与电池SoC之间的定量关系；向基于观测器的锂离子电池故障诊断与分离算法导入电流、电压和温度传感器测量值，通过扩展卡尔曼滤波算法估计状态量从而生成残差，使用CUSUM测试方法进行残差评价，最终根据不同残差的组合响应情况实现锂离子电池传感器的故障诊断与分离。

Description

基于观测器的电动车辆锂离子电池传感器故障诊断方法

技术领域

本发明属于电池管理技术领域，涉基于观测器的电动车辆锂离子电池传感器故障诊断方法。

背景技术

为了应对日益严峻的全球气候以及能源危机，与人类生活息息相关的汽车行业走在了变革的最前列，近年来，电动车凭借其在排放以及能耗上的先天优势成为了各国追逐的焦点，与之相关的研究领域更已成为学术界与工程界的热点。动力电池是电动汽车主要的能量来源，是电动汽车最为重要的部件，该部件的运行性能直接关系到电动汽车的驾乘体验，以及乘客的生命财产安全，为了对动力电池组进行状态监测，保证其正常工作，电池管理系统应运而生，通过对电池管理系统核心功能及其实现原理的分析，可以发现数据采集是电池管理系统实现功能的基础，完成数据采集工作的传感器是动力电池系统中极为重要的元器件，但是，由于汽车复杂多变较为恶劣的运行工况，导致传感器较易发生故障，鉴于此，针对电动汽车锂离子电池传感器的故障诊断具有十分重要的意义。

故障诊断方法在传统上可分为基于解析模型的方法、基于知识的方法以及基于信号处理的方法，但随着近年来故障诊断领域研究的不断深入，诊断方法越来越多，越来越有效，更加新型的故障诊断方法被提出并加以应用，便出现了一种从全新的角度对现有的故障诊断方法进行分类的方法，从整体上可分为两大类，定量分析法与定性分析法，其中，定量分析法可再将其细分为基于解析模型的方法和基于数据驱动的方法，定性分析法主要包括图论方法、专家系统法以及定性仿真方法。

基于解析模型的方法其核心思想是在建立相对精确的数学模型的基础上，利用卡尔曼滤波器等理论与一系列技术手段，通过输入信号与输出信号构造系统的残差信号，该残差信号在故障发生的时候会有所变化，可以通过某些残差评价方法，将残差的变化放大，并与阈值进行对比从而实现故障的检测，该方法可实现对故障的实时监测，但对模型的要求极高，计算量较大。基于解析模型的故障诊断方法的相关研究已较为深入，总体上可分为基于状态估计的方法、基于参数辨识的方法以及基于等价空间的故障诊断方法。相比另外两种方法，基于状态估计的方法具有算法简单、计算量相对较小的优点，因此受到广泛的应用，这里所使用的基于观测器的方法就是该方法的一个分支。基于数据驱动的方法无需建立复杂的数学模型，但却需要大量的样本数据，这也造成了计算量巨大的弊端，难以推广应用于电动汽车电池管理系统中。图论方法是通过对系统组件建图来反应系统的因果关系，从而完备地揭示系统故障，这一方法对于简单系统而言可行，但对于复杂的系统而言工作量就过于庞大了，基于此而出现的专家系统法，其核心是利用相应领域专家在长期的研究实践中所积累的经验建立知识库，并在此基础上，设计一套计算机程序，根据知识库模拟领域专家推理与决策的过程进行故障诊断。该方法简化了故障诊断的过程，也有足够的准确度，但是知识库获取的困难性以及专家水平的高低不一性，仍是专家系统法所面对的较难解决的问题，这也将制约着这一方法的发展。

电池管理系统的功能实现高度依赖于动力电池系统内部安装的电流传感器、电压传感器、温度传感器，因此在动力电池故障诊断研究中，传感器故障的实时诊断对于保证锂离子电池以及电动汽车的安全有着极其重要的意义。但是，关于电动车辆动力电池传感器故障诊断的文献却相对较少，其成果也较为有限。

发明内容

有鉴于此，本发明的目的在于提供一种基于观测器的电动车辆锂离子电池传感器故障诊断方法，对电动汽车锂离子电池中的电流传感器、电压传感器以及表面温度传感器进行故障诊断与分离。

为达到上述目的，本发明提供如下技术方案：

基于观测器的电动车辆锂离子电池传感器故障诊断方法，通过扩展卡尔曼滤波算法(Extended Kalman Filter，EKF)结合锂离子电池电热耦合动态模型构建两个EKF观测器，获取状态量的估计值，并由此得到锂离子电池单体的电压以及表面温度的估计值，在此基础上将估计值与电压传感器测量的电压值以及表面温度传感器测量的表面温度值作差得到两个残差，由于电池传感器的故障会导致电流、电压以及电池表面温度的异变，所获得的残差也会发生异变，为放大残差的异变情况，利用CUSUM(Cumulative sum，CUSUM)测试方法对获得的残差进行评价，所获得的结果与通过无故障实验确定的阈值进行比较，直观看出残差是否发生异变响应，最终根据不同残差的组合响应情况实现锂离子电池传感器的故障诊断与分离；该故障诊断方法具体包括以下步骤：

S1：确定电动车辆锂离子电池的类型及型号，获取该型号电池的相应技术参数，在此基础上建立电动车辆锂离子电池电热耦合动态模型；

S2：在不同温度下，对被测电池进行开路电压测试及HPPC(Hybrid Pulse PowerCharacterization,HPPC)实验获得电池特征参数；

S3：通过实验数据建立电池开路电压(Open Circuit Voltage,OCV)与SoC(Stateof Charge,SoC)间的关系，在此基础上采用带有遗忘因子的递归最小二乘法对电池电热耦合动态模型中的参数进行辨识，获得电池参数与环境温度以及SoC之间的定量关系；

S4：向基于观测器的锂离子电池故障诊断与分离算法导入电流、电压以及温度传感器测量值，通过扩展卡尔曼滤波算法估计状态量从而生成残差，使用CUSUM测试方法进行残差评价，最终根据不同残差的组合响应情况实现锂离子电池传感器的故障诊断与分离。

进一步，所述步骤S1中，所述的电热耦合动态模型由等效电路模型与热模型耦合而成，其中等效电路模型为Rint模型、一阶RC模型、多阶RC模型中的一种，最终的形式需要综合考虑模型复杂度、模型精度和鲁棒性后确定，所述热模型为双状态集中参数热模型。

进一步，所述步骤S2包括以下步骤：

S21：将已经确定型号的电池在25℃的恒温条件中静置2小时；

S22：若待测电池是刚出厂的全新电池，则直接进行开路电压测试以获取当前温度下电池的OCV与SoC的对应数据以及HPPC测试以获取该温度下的电流和电压的数据；若待测电池放置过一段时间或已被使用过，则需要先进行定容试验；

S23：在型号锂离子电池的全温度范围内每间隔10℃重复上述步骤S21-S22，获得不同温度下电池的OCV与SoC的对应数据以及HPPC测试下电池的电流和电压数据。

进一步，所述步骤S3包括以下步骤：

S31：利用步骤S2中得到的实验数据获取OCV与SoC间的关系，并用多项式或其他经验公式对其进行拟合，并得到关系曲线；

S32：利用实验得到的电压、电流关系，对步骤S1中建立好的电热耦合动态模型进行参数辨识，使用的辨识方法为带遗传因子的递归最小二乘法(Recursive Least Square,RLS)。

进一步，所述辨识方法还包括粒子群算法(Particle Swarm Optimization,PSO)和遗传算法(Genetic Algorithm,GA)。

进一步，所述步骤S4包括以下步骤：

S41：根据步骤S1至S3得到的结果，建立两个EKF观测器并进行初始化；

S42：对两个观测器分别导入传感器数据，1号观测器导入电流测量值和电压测量值，2号观测器导入电流测量值和表面温度测量值，两个观测器分别进行状态估计并获得残差；

S43：应用CUSUM测试方法对两个传感器生成的残差进行评价，对无传感器故障的残差进行评价确定阈值，若残差评价结果大于阈值，则认为该残差发生了异变；

S44：根据两个残差的组合响应情况实现锂离子电池传感器的故障诊断与分离。

本发明的有益效果在于：

1)针对电动车辆锂离子电池建立电热耦合动态模型，模型的参数根据电流与温度修正，能够更好地预测电池的实时状态；

2)提出了一种基于电热耦合动态模型和观测器的电动车辆锂离子电池传感器故障诊断方法；

3)EKF算法构建观测器可以根据实时导入的电池传感器测量数据进行状态估计并且生成残差，从而实时完成锂离子电池传感器故障检测与分离；

4)使用CUSUM测试方法进行残差评价，将残差异变放大，可以有效地避免由于测量噪声等因素造成故障漏诊和误诊，缩短诊断延时。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明整体步骤流程图；

图2为二阶RC模型电路图；

图3为圆柱形锂离子电池双状态集中参数热模型示意图；

图4为基于观测器的故障诊断原理示意图；

图5为基于观测器的电动车辆锂离子电池传感器故障诊断与分离策略。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

参照图1，本发明提供了一种基于观测器的电动车辆锂离子电池传感器故障诊断方法，具体包括以下步骤：

步骤S1：确定电动车辆锂离子电池的类型及型号，获取该型号电池的相应技术参数，在此基础上建立电动车辆锂离子电池电热耦合动态模型；

步骤S2：在不同温度下，对被测电池进行开路电压测试及HPPC实验获得电池特征参数；

步骤S3：通过实验数据建立电池开路电压OCV与SoC间的关系，在此基础上采用带有遗忘因子的递归最小二乘法对电池电热耦合动态模型中的参数进行辨识，由此获得电池参数与环境温度以及SoC之间的定量关系；

步骤S4：向基于观测器的锂离子电池故障诊断与分离算法导入电流、电压以及温度传感器测量值，通过扩展卡尔曼滤波算法估计状态量从而生成残差，使用CUSUM测试方法进行残差评价，最终根据不同残差的组合响应情况实现锂离子电池传感器的故障诊断与分离。

步骤S1具体包括步骤S11与步骤S12。

步骤S11：确定电动车辆锂离子电池的类型及型号，获取该型号电池的相应技术参数，分别建立该型号锂离子电池的等效电路模型和热模型。具体地，等效电路模型为Rint模型、一阶RC模型、多阶RC模型中的一种，最终的形式需要综合考虑模型复杂度、模型精度和鲁棒性后确定，以二阶RC模型为例，该模型主要由一个开路电压源U_oc、欧姆内阻R以及两个并联RC网络(R₁-C₁,R₂-C₂)。参照图2，二阶RC模型可由如下数学公式表示：

U_t＝U_oc-U₁-U₂-I·R

式中，I表示输入电流，这里规定充电为正，放电为负，U₁表示电容C₁两侧的电压，U₂表示电容C₂两侧的电压。参数R，R₁，C₁，R₂，C₂与锂离子电池的SoC，电池的温度以及电流的方向有关。由于上述参数在锂电池充电与放电时的变化不大，本论文中将忽略其影响。电池的开路电压OCV(此处表示为U_oc)与SoC之间的关系在这里用插值的方式描述，

U_oc＝spline(SoC)

动力电池SoC用安时计数表达如下，

进一步，为满足迭代运算需求，将各式离散化得到如下迭代式：

U₁(k+1)＝exp(-Δt/(R₁C₁))·U₁(k)+R₁·(1-exp(-Δt/(R₁C₁)))·I(k)

U₂(k+1)＝exp(-Δt/(R₂C₂))·U₂(k)+R₂·(1-exp(-Δt/(R₂C₂)))·I(k)

U_t(k)＝spline(SoC(k))-U₁(k)-U₂(k)-R·I(k)

其中，Δt为采样间隔，k为采样时刻；

由此，需要应用到的二阶RC等效电路模型建立完成。对于热模型，这里建立的是双状态集中参数热模型，参照图3，由能量守恒定律可推导出如下关系式，

Q＝I(U_oc-U_t)

式中，T_c为电池的中心温度，T_s为电池的表面温度，R_c，C_c，R_u，C_s分别表示热传导内阻，电池中心容量，对流内阻以及电池表面热容量，电池产生的热量这里用Q表示，应用模型时，默认电池表面的冷却对流速率恒定，环境温度T_f近似恒定。

离散化后的表达式为，

Q(k)＝U₁(k)+U₂(k)+R·I(k)

式中，Δt为采样间隔，k为采样时刻。

步骤S12：由等效电路模型与热模型的离散化表达式，得到电热耦合动态模型，并将其转化为非线性系统离散化后的状态方程与测量方程的形式。

由步骤S11得到的等效电路模型与热模型的离散化表达式可以建立锂离子电池的电热耦合动态模型，

l₁:U₁(k+1)＝exp(-Δt/(R₁C₁))·U₁(k)+R₁·(1-exp(-Δt/(R₁C₁)))·I(k)

l₂:U₂(k+1)＝exp(-Δt/(R₂C₂))·U₂(k)+R₂·(1-exp(-Δt/(R₂C₂)))·I(k)

l₃:U_t(k)＝spline(SoC(k))-U₁(k)-U₂(k)-R·I(k)

l₄:

l₅:

l₆:

l₇:Q(k)＝U₁(k)+U₂(k)+R·I(k)

式中，Δt为采样间隔，k为采样时刻。

为了将该模型应用于EKF算法，这里需要将锂离子电池电热耦合动态模型转化为非线性系统状态方程与测量方程的形式，对于一非线性系统，其状态方程与测量方程的表达式如下，

x_k+1＝f(x_k,u_k)+w_k

y_k＝g(x_k,u_k)+v_k

式中，x为系统的状态变量，y为系统的测量输出量，u表示系统的输入量，w_k与v_k分别表示系统的状态噪声与测量噪声，且二者均为独立的、零均值的高斯噪声，f表示非线性系统的状态方程，g表示非线性系统的测量方程。

这里本发明设定状态变量为x_k＝[U₁(k)U₂(k)SoC(k)T_c(k)T_s(k)]^T，输入量为I(k)，输出量为y_k＝[U_t(k)T_s(k)]^T，至此可将锂离子电池电热耦合动态模型的离散化表达式转化为状态方程与测量方程的形式。具体表达式如下，

在步骤S2中，包括：

步骤S21：将已经确定型号的电池在25℃的恒温条件中静置2小时；

步骤S22：如果待测电池是刚出厂的全新电池，可直接进行开路电压测试以获取当前温度下电池的OCV与SoC的对应数据以及HPPC测试以获取该温度下的电流和电压的数据；如果待测电池放置过一段时间或已被使用过，则需要先进行定容试验；

步骤S23：在该型号锂离子电池的全温度范围内每间隔10℃重复上述步骤S21-S22，获得不同温度下电池的OCV与SoC的对应数据以及HPPC测试下电池的电流和电压数据。

在步骤S3中，包括：

步骤S31：利用步骤S2中得到的实验数据获取OCV与SoC间的关系，并用多项式或其他经验公式对其进行拟合；

步骤S32：利用实验得到的电压、电流关系，对步骤S1中建立好的电热耦合动态模型进行参数辨识，这里所使用的辨识方法为带遗传因子的递归最小二乘法，除此之外可实现参数辨识的优化算法还有粒子群算法、遗传算法等。

在步骤S4中，包括：

步骤S41：根据步骤S1至S3得到的结果，建立两个EKF观测器并进行初始化；

参照图4，基于观测器的故障诊断方法的主要思想就是在系统较精确的数学模型的基础上重新构建一个以原系统输入测量值以及原系统输出测量值为总输入的系统，该系统将会输出原系统输出测量值的估计值，由此生成残差，当传感器发生故障时，原系统输入测量值以及原系统输出测量值会发生异变，残差也会出现异变，可通过检测残差的异变情况实现传感器的故障诊断，但由于残差的异变较为微小，还需对残差进行评价处理。基于此，本发明在这里建立两个EKF观测器，EKF算法具体的计算过程如下，

对于表达式如下的非线性系统，

x_k+1＝f(x_k,u_k)+w_k

y_k＝g(x_k,u_k)+v_k

式中各量的含义上文已述，系统状态噪声与测量噪声的协方差分别用Q_k和R_k表示，表达式为，

Q_k＝E(ω_kω_k ^T) R_k＝E(v_kv_k ^T)

确定系统的初始状态：设置Q₀以及R₀；

具体迭代公式：

P_k ^-＝A_k-1P_k-1 ⁺A_k-1 ^T+Q_k-1

G_k＝P_k ^-C_k(C_kP_k ^-C_k ^T+R_k)^-1

P_k ⁺＝(I-G_kC_k)P_k ^-

步骤S42：对两个观测器分别导入传感器数据，1号观测器导入电流测量值和电压测量值，2号观测器导入电流测量值和表面温度测量值，两个观测器分别进行状态估计并获得残差；

如图5所示，1号观测器主要负责检测电流与电压传感器故障，所生成的残差记为r₁；2号观测器主要负责检测电流传感器与温度传感器故障，所生成的残差记为r₂。

步骤S43：应用CUSUM测试方法对两个传感器生成的残差进行评价，另对大量无传感器故障的残差进行评价确定阈值，若残差评价结果大于阈值，可认为该残差发生了异变；

当故障发生的时候，残差会做出一定的异变响应，但是实际情况表明，故障发生时残差信号的响应变化极为微小，且由于系统的数学模型与传感器测量存在的噪声干扰，残差信号总是存在一定的震荡波动，这使得检测残差的变化较为不易，因此在这里使用了CUSUM测试方法对残差进行评价。该方法有着统计假设的知识背景，假设H₀为无故障，假设H₁为有故障。通常情况下，系统无故障时生成的残差，可认为其为符合高斯分布的随机变量，且该随机变量平均值为μ₀，方差为σ₀ ²，而当系统发生故障时，系统生成的残差亦可认为其为符合高斯分布的随机变量，但该随机变量的平均值为μ₁，方差为σ₁ ²，至此，当故障发生的时候，残差的平均值与方差发生了改变，可以检测残差平均值与方差的变化。这里有残差对数似然比的定义，

上式中，r为残差，s(·)为残差的对数似然比，表示假设H₁的概率密度函数，为假设H₀的概率密度函数。若残差的平均值亦或残差的方差发生变化，可将上式化为，

基于此，残差最大似然比的累积和表示如下，

上式中，对数似然比的累积和用S_k来表示，当故障发生时，累积和的值将逐渐增加，且增大幅度极大，远远大于未故障时的累积和的值，此时需要通过大量的实验，根据无故障时累积和的历史数据值确定阈值的大小，比较阈值与此次诊断过程累积和的大小，若大于阈值，则故障报警，反之，则不报警，如下为相应的故障检测逻辑，

上式中，J为预先设定，由实验测试产生的阈值，d＝1表示有故障发生。

步骤S44：根据两个残差的组合响应情况实现锂离子电池传感器的故障诊断与分离。

当两个观测器所生成的残差发生异变时，只知道有电池传感器故障发生，并不知道究竟是哪一个传感器发生了故障，因此在实现故障诊断的同时还需要实现故障的分离。表1列出了每一个残差信号在不同的故障情况下所对应的响应情况。其中f_I表示电流传感器故障，f_Ut表示电压传感器发生故障，f_Ts表示温度传感器发生故障。

表1两个观测器所产生的残差对于不同传感器故障的响应

	f<sub>I</sub>	f<sub>Ut</sub>	f<sub>Ts</sub>
				r<sub>1</sub>	1	1	0
r<sub>2</sub>	1	0	1

从表中可以知道，当电流传感器发生故障时，残差r₁和r₂均会响应；当电压传感器发生故障时，残差r₁响应，残差r₂不做出响应；当温度传感器发生故障时，残差r₁不发生响应，残差r₂响应。至此，可根据残差r₁和残差r₂的组合响应情况，判断是哪一个传感器发生了故障，实现故障分离。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (6)

1.基于观测器的电动车辆锂离子电池传感器故障诊断方法，其特征在于，通过扩展卡尔曼滤波算法(Extended Kalman Filter，EKF)结合锂离子电池电热耦合动态模型构建两个EKF观测器，获取状态量的估计值，并由此得到锂离子电池单体的电压以及表面温度的估计值，在此基础上将估计值与电压传感器测量的电压值以及表面温度传感器测量的表面温度值作差得到两个残差，由于电池传感器的故障会导致电流、电压以及电池表面温度的异变，所获得的残差也会发生异变，为放大残差的异变情况，利用CUSUM(Cumulative sum，CUSUM)测试方法对获得的残差进行评价，所获得的结果与通过无故障实验确定的阈值进行比较，直观看出残差是否发生异变响应，最终根据不同残差的组合响应情况实现锂离子电池传感器的故障诊断与分离；具体包括以下步骤：

S1：确定电动车辆锂离子电池的类型及型号，获取该型号电池的相应技术参数，在此基础上建立电动车辆锂离子电池电热耦合动态模型；

S2：在不同温度下，对被测电池进行开路电压测试及HPPC(Hybrid Pulse PowerCharacterization,HPPC)实验获得电池特征参数；

S3：通过实验数据建立电池开路电压(Open Circuit Voltage,OCV)与SoC(StateofCharge,SoC)间的关系，在此基础上采用带有遗忘因子的递归最小二乘法对电池电热耦合动态模型中的参数进行辨识，获得电池参数与环境温度以及SoC之间的定量关系；

S4：向基于观测器的锂离子电池故障诊断与分离算法导入电流、电压以及温度传感器测量值，通过扩展卡尔曼滤波算法估计状态量从而生成残差，使用CUSUM测试方法进行残差评价，最终根据不同残差的组合响应情况实现锂离子电池传感器的故障诊断与分离。

2.根据权利要求1所述的基于观测器的电动车辆锂离子电池传感器故障诊断方法，其特征在于，所述步骤S1中，所述的电热耦合动态模型由等效电路模型与热模型耦合而成，其中等效电路模型为Rint模型、一阶RC模型、多阶RC模型中的一种，最终的形式需要综合考虑模型复杂度、模型精度和鲁棒性后确定，所述热模型为双状态集中参数热模型。

3.根据权利要求1所述的基于观测器的电动车辆锂离子电池传感器故障诊断方法，其特征在于，所述步骤S2包括以下步骤：

S21：将已经确定型号的电池在25℃的恒温条件中静置2小时；

S22：若待测电池是刚出厂的全新电池，则直接进行开路电压测试以获取当前温度下电池的OCV与SoC的对应数据以及HPPC测试以获取该温度下的电流和电压的数据；若待测电池放置过一段时间或已被使用过，则需要先进行定容试验；

S23：在型号锂离子电池的全温度范围内每间隔10℃重复上述步骤S21-S22，获得不同温度下电池的OCV与SoC的对应数据以及HPPC测试下电池的电流和电压数据。

4.根据权利要求1所述的基于观测器的电动车辆锂离子电池传感器故障诊断方法，其特征在于，所述步骤S3包括以下步骤：

S31：利用步骤S2中得到的实验数据获取OCV与SoC间的关系，并用多项式或其他经验公式对其进行拟合，并得到关系曲线；

S32：利用实验得到的电压、电流关系，对步骤S1中建立好的电热耦合动态模型进行参数辨识，使用的辨识方法为带遗传因子的递归最小二乘法(Recursive Least Square,RLS)。

5.根据权利要求4所述的基于观测器的电动车辆锂离子电池传感器故障诊断方法，其特征在于，所述辨识方法还包括粒子群算法(Particle Swarm Optimization,PSO)和遗传算法(GeneticAlgorithm,GA)。

6.根据权利要求1所述的基于观测器的电动车辆锂离子电池传感器故障诊断方法，其特征在于，所述步骤S4包括以下步骤：

S41：根据步骤S1至S3得到的结果，建立两个EKF观测器并进行初始化；

S42：对两个观测器分别导入传感器数据，1号观测器导入电流测量值和电压测量值，2号观测器导入电流测量值和表面温度测量值，两个观测器分别进行状态估计并获得残差；

S43：应用CUSUM测试方法对两个传感器生成的残差进行评价，对无传感器故障的残差进行评价确定阈值，若残差评价结果大于阈值，则认为该残差发生了异变；

S44：根据两个残差的组合响应情况实现锂离子电池传感器的故障诊断与分离。